摘要
2025 年被业界视为 AI Agent 元年。随着 Manus 等通用智能体产品的刷屏，以及企业招聘需求的爆发式增长，AI Agent 已经成为每一位应用开发者都无法忽视的风口。
本文将系统梳理 AI Agent 的核心概念、主流开发框架（LangChain、LangGraph、CrewAI），并结合从基础学习到多智能体实战的完整路径，提供可落地的技术参考和代码示例。
无论你是初级开发者还是寻求技术提升的工程师，都能从中获得构建智能体应用的全局视野。
纲要
- 为什么是 AI Agent
- AI 与 Agent 的发展脉络
- 核心概念与前置知识
- 开发框架概览与选型
- LangChain
- LangGraph
- CrewAI
- 系统化学习路径
- 第一阶段：基础储备
- 第二阶段：LangChain 核心模块
- 第三阶段：单智能体实战
- 第四阶段：多智能体与工作流
- 第五阶段：高级扩展与多框架对比
- 环境搭建与工具链
- 代码与实践：从简单链到多智能体
- 7.1 最简单的 LLM 调用
- 7.2 使用 LangChain 构建链
- 7.3 创建自定义 Agent
- 7.4 多智能体协作示例
- 项目结构建议
- 职业前景与总结
为什么是 AI Agent
大模型本身是强大的推理引擎，但仅靠“一问一答”的模式很难满足复杂业务需求。AI Agent（智能体）通过赋予模型规划、记忆、工具调用、多步执行的能力，让 AI 真正具备了自主完成任务的潜力。
从行业趋势看，2025 年初通用 AI Agent 产品 Manus 的发布引发了巨大关注，甚至出现邀请码被炒至数万元的现象。这背后反映出市场对能够自主规划并执行长链条任务的生产力工具极度渴望。在企业端，BOSS 等招聘平台上 AI Agent 相关岗位的薪资和需求量持续走高，且随着具身智能、嵌入式 AI 等方向的推进，人才缺口将进一步扩大。
对于普通开发者而言，大模型的训练和预训练仍然是少数大厂的游戏，但基于已有模型构建应用层——尤其是智能体应用——才是大部分工程师的主战场。掌握 AI Agent 的开发能力，既顺应了技术演进的潮流，也是一条清晰的职业上升通道。
AI 与 Agent 的发展脉络
从技术发展史看，AI 经历了三次范式跃迁：
- AI 1.0（规则时代）：专家系统、基于规则的推理。知识需要人工编码，无法泛化。
- AI 2.0（深度学习时代）：以感知和模式识别为核心，如图像分类、语音识别。模型在特定任务上表现优异，但缺乏通用推理和工具使用能力。
- AI 3.0（大模型 + Agent 时代）：大规模预训练语言模型展现出涌现能力，结合规划、记忆和工具调用，形成了能够处理开放域任务的智能体。此时，AI 不再只是“信息提取器”，而成为可以自主执行计划的“数字员工”。
Agent 之所以被认为是未来的核心，是因为它补齐了从“思考”到“行动”的关键环节。一个典型的智能体架构包含：
- 大脑（LLM）：负责推理、规划。
- 记忆：短期记忆（对话上下文）和长期记忆（向量存储、知识库）。
- 工具：搜索 API、代码执行器、数据库查询、外部服务调用等。
- 行动循环：观察-思考-行动（ReAct）、Plan-and-Execute 等模式。
核心概念与前置知识
在动手构建 Agent 之前，开发者至少需要了解以下概念：
- LLM：大语言模型，如 GPT-4、Claude、DeepSeek 等。
- Prompt Engineering：设计提示词以引导模型行为，包含 few-shot、chain-of-thought 等技巧。
- Vector Store：向量数据库（如 Pinecone、Weaviate、Chroma），用于存储和检索语义化的知识。
Embedding：将文本转化为向量的技术，是语义检索的基础。
Tool/Plugin：Agent 可调用的外部函数或 API。
Orchestration：编排多个智能体或工作流的框架能力。
推荐的预备技能：
- 至少掌握一门编程语言（Python 是事实标准）；
- 理解 REST API 和 JSON 数据交换格式；
- 基本了解异步编程的概念（asyncio 等）。
开发框架概览与选型
当前市面上的智能体框架迭代极快，以下三款是经过社区验证的主流选择：
| 框架 | 特点 | 适用场景 |
|---|---|---|
| LangChain | 生态最完善，模块化程度高，集成大量工具和模型接口 | 构建链式调用、RAG 应用、简单 Agent |
| LangGraph | 专注于有状态、多步骤的工作流，支持条件分支和循环 | 复杂业务流程、多代理协作、需要精细控制状态 |
| CrewAI | 高级封装的多智能体框架，角色分工明确，配置简单 | 快速搭建多 Agent 协作系统，适合团队级模拟 |
通常的学习路径是：先用 LangChain 理解链和 Agent 的基本范式，再用 LangGraph 掌握复杂的流程编排，最后使用 CrewAI 体验多智能体协作的高层抽象。掌握两种以上框架，能够根据业务场景做出灵活选型。
系统化学习路径
一个平滑且体系化的学习阶梯，可以分为五个阶段：
1 ）第一阶段：基础储备
- 理解 AI、大模型、Agent 的基本概念。
- 学习 Prompt Engineering 最佳实践。
- 熟练使用至少一种 AI 辅助编程工具（如 Copilot、Cursor）。
- 掌握通过 API 调用大模型（如 DeepSeek API）的方法。
2 ）第二阶段：LangChain 核心模块
精选与 Agent 开发最相关的部分：
- Models I/O：统一对接不同模型。
- Chains：构建处理管道。
- Memory：管理对话历史与持久化。
- Tools & Agents：创建自定义工具并构建 ReAct Agent。
- RAG：检索增强生成，连接外部知识库。
- Callbacks：日志、监控与调试。
3 ）第三阶段：单智能体实战
通过一个完整项目（例如“客服智能体”），将前述模块串联。该智能体需要：
- 接入业务知识库（RAG）；
- 调用订单查询、物流跟踪等工具；
- 管理多轮对话上下文；
- 设计恰当的 Fallback 策略。
4 ）第四阶段：多智能体与工作流
引入 LangGraph 和 CrewAI，实现多 Agent 协同：
- 使用 LangGraph 构建有状态的复杂流程图，支持并行、条件路由。
- 使用 CrewAI 定义不同角色的 Agent（如研究员、撰稿人、审核员），并自动分配任务。
5 ）第五阶段：高级扩展与多框架对比
可观测性：集成 LangSmith 或类似工具监控 Agent 行为。
部署：使用 FastAPI 或 Docker 将 Agent 包装为微服务。
对比不同框架的设计哲学与性能差异，形成自己的技术判断。
6 ）环境搭建与工具链
为降低入门门槛，推荐使用在线开发环境（如 GitHub Codespaces、Replit 或自建 Web IDE）实现零配置开局。同时，许多模型提供商为开发者提供免费额度，足以覆盖学习阶段的实验需求。
典型的环境配置如下：
# 创建虚拟环境python-mvenv venvsourcevenv/bin/activate# Linux/Macvenv\Scripts\activate# Windows# 安装核心依赖pipinstalllangchain langchain-openai langgraph crewai chromadbAPI Key 等敏感信息应使用环境变量管理：
importosfromdotenvimportload_dotenv load_dotenv()OPENAIAPIKEY=os.getenv("OPENAIAPIKEY")7 )代码与实践：从简单链到多智能体
7.1 最简单的 LLM 调用
fromlangchain_openaiimportChatOpenAI llm=ChatOpenAI(model="gpt-4o",temperature=0)response=llm.invoke("你好，请用一句话介绍你自己。")print(response.content)7.2 使用 LangChain 构建链
fromlangchain_core.promptsimportChatPromptTemplatefromlangchaincore.outputparsersimportStrOutputParser prompt=ChatPromptTemplate.from_messages([("system","你是一个专业的技术翻译助手。"),("user","请将以下内容翻译为英文：{input}")])chain=prompt|llm|StrOutputParser()result=chain.invoke({"input":"人工智能正在重塑世界。"})print(result)7.3 创建自定义 Agent
假设我们有一个“天气查询”工具：
fromlangchain.agentsimporttool@tooldefget_weather(city:str)->str:"""查询指定城市的天气，输入城市名，返回天气信息。"""模拟返回数据returnf"{city}当前晴，温度 22°C，空气质量优。"fromlangchain.agentsimportAgentExecutor,createopenaitools_agent tools=[get_weather]prompt=ChatPromptTemplate.from_messages([("system","你是一个乐于助人的助手，可以使用工具获取实时信息。"),("user","{input}"),("placeholder","{agent_scratchpad}")])agent=createopenaitools_agent(llm,tools,prompt)agent_executor=AgentExecutor(agent=agent,tools=tools,verbose=True)agent_executor.invoke({"input":"北京今天天气如何？"})7.4 多智能体协作示例
使用 CrewAI 快速搭建一个内容创作团队：
fromcrewaiimportAgent,Task,Crew 定义智能体 researcher=Agent(role="研究员",goal="在指定的主题上进行深度调研，找出核心观点和最新发展。",backstory="你是一名资深技术研究员，擅长挖掘前沿信息。",llm=llm)writer=Agent(role="撰稿人",goal="将研究员提供的材料整理成一篇通俗易懂的技术文章。",backstory="你是一名技术专栏作家，擅长将复杂概念转化为生动表达。",llm=llm)定义任务 task_research=Task(description="研究 AI Agent 在 2025 年的发展趋势，列出至少三个关键方向。",agent=researcher)task_write=Task(description="根据研究员提供的信息，撰写一篇约 800 字的技术评论。",agent=writer)组建团队并执行 crew=Crew(agents=[researcher,writer],tasks=[taskresearch,taskwrite])result=crew.kickoff()print(result)项目结构建议
一个可维护的 AI Agent 项目通常遵循以下结构：
my-agent-project/ ├── agents/ # 智能体定义 │ ├── init.py │ ├── base.py │ └── customer_service.py ├── tools/ # 自定义工具 │ ├── init.py │ ├── weather.py │ └── database.py ├── chains/ # 处理链（可选） │ └── rag_chain.py ├── memory/ # 记忆管理 │ └── chat_history.py ├── config/ # 配置 │ ├── settings.py │ └── prompts/ ├── tests/ # 测试用例 ├── main.py # 入口 ├── requirements.txt └── README.md清晰的模块划分有助于团队协作，也方便后续将 Agent 拆分为独立的微服务进行部署。
职业前景与总结
AI Agent 正处于从“辅助聊天”到“自主执行”的转折点。随着多模态、具身智能等技术的成熟，Agent 将深度渗透到软件开发、客户服务、金融分析、医疗诊断等各个领域。对于开发者的利好在于：大模型底座趋于商品化，而理解业务、能利用框架快速构建可靠智能体应用的工程师，将成为稀缺资源。
系统化地学习 Agent 开发，至少应涵盖：概念理解 → 工具与框架掌握 → 单智能体实战 → 多智能体编排 → 部署与监控。在这一过程中，对比使用 LangChain、LangGraph、CrewAI 等框架，不仅能提升工程效率，更能加深对 Agent 设计模式的理解。
无论你是希望提升职场竞争力，还是打算在 AI 应用赛道创业，现在都是入场的黄金窗口。开始编写你的第一个 Agent，或许就是开启下一个五年职业生涯的钥匙。
本文技术框架以 2025 年初为参考，社区更新迅速，请以官方文档为准。鼓励读者结合自身项目不断实践，持续跟进 LangChain、CrewAI 等生态的最新进展。
